基于EMD和支持向量机的齿轮箱故障诊断方法研究

论文摘要

机械设备的诊断过程包括诊断信息的获取、故障特征提取和状态识别三部分。其中故障特征提取和状态识别是故障诊断的关键。本文将时频分析的经验模态分解(EMD)和状态识别的支持向量机(SVM)相结合应用于齿轮箱故障诊断当中。EMD方法是基于信号局部特征时间尺度,能把复杂的信号函数分解为有限个固有模态函数(IMF)之和,而每个IMF表示了原始信号的一个固有振动模态,它们很好地体现了信号的局部特性。此外,由于每一个IMF所包含的频率成分不仅与采样频率有关,而且它还随着信号本身的变化而变化,因此EMD方法是一种自适应的时频局部化分析方法,非常适用于非平稳、非线性的信号处理过程。针对齿轮箱故障振动信号的非平稳特性,本文将EMD方法引入齿轮箱故障特征提取当中,对其基本理论进行研究,实现了用EMD方法提取信号故障特征。并对其端点效应产生失真问题,提出了一种新的解决方法,增强了EMD分解的精确度。支持向量机具有小样本、较好的泛化能力、全局最优解等特点,在状态识别领域中表现出优良的特性。针对在机械故障诊断中难以获得大量故障典型样本的实际情况,本文在基于支持向量机理论的基础上,开展了对齿轮箱的工作状态和故障类型进行分类和识别研究,并将其研究结果带入实验中,从数据的分析结果表明,EMD和SVM相结合可有效的应用于齿轮箱故障诊断当中。本文主要工作包括:1)从齿轮箱零部件常见的失效形式、齿轮系统的振动机理和齿轮箱典型故障振动信号的特征三个方面论述了有关齿轮箱故障诊断的基本知识。2)从分析EMD方法的基本理论入手,对EMD故障特征提取方法进行研究。其中重点分析了EMD的端点效应带来的影响,提出了处理端点效应的新方法,解决了EMD分解过程中产生失真的现象。3)从统计学习理论出发,基于支持向量机理论基础开展了状态识别的研究建立起相关的分类器及分类器的算法,验证了其算法的有效性。4)针对齿轮箱常见的故障,进行故障模拟实验,并应用EMD提取故障信号特征,采用SVM分类器对齿轮箱的工作状态和故障类型进行分类、识别,得到较好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 齿轮箱故障诊断的意义、目的和主要内容
• 1.1.1 齿轮箱故障诊断的意义
• 1.1.2 齿轮箱进行故障诊断的目的
• 1.1.3 齿轮箱进行故障诊断的主要内容
• 1.2 齿轮箱故障诊断技术
• 1.2.1 基于信号处理的齿轮箱故障特征提取方法
• 1.2.2 齿轮箱状态识别方法
• 1.3 论文研究的目的、内容及结构
• 1.3.1 论文研究的目的及内容
• 1.3.2 论文结构
• 第二章 齿轮箱故障及其振动机理
• 2.1 概述
• 2.2 齿轮箱中零部件的常见失效形式
• 2.2.1 齿轮常见的失效形式
• 2.2.2 滚动轴承常见的失效形式
• 2.3 齿轮系统的振动机理
• 2.3.1 齿轮系统振动的基本参数
• 2.3.2 齿轮系统的简化振动模型
• 2.4 滚动轴承的典型结构
• 2.5 齿轮箱典型故障的振动信号特征
• 2.5.1 齿面破损故障的振动信号特征
• 2.5.2 齿轮断齿故障的振动信号特征
• 2.5.3 滚动轴承故障的振动信号特征
• 2.6 本章小结
• 第三章 EMD 方法研究
• 3.1 概述
• 3.2 EMD 方法
• 3.2.1 特征尺度参数
• 3.2.2 固有模态函数（IMF）
• 3.2.3 EMD 方法的分解过程
• 3.2.4 EMD 方法的特点
• 3.2.5 实例分析
• 3.3 EMD 方法中端点效应的处理方法研究
• 3.3.1 端点效应的原理及影响
• 3.3.2 极值点对称延拓与窗函数相结合的处理方法研究
• 3.3.3 试验验证
• 3.4 基于固有模态能量熵的EMD 特征提取方法研究
• 3.4.1 固有模态能量熵
• 3.4.2 基于固有模态能量熵的特征能量法步骤
• 3.4.3 实验分析
• 3.5 本章小结
• 第四章 支持向量机方法研究
• 4.1 概述
• 4.2 统计学习理论基础
• 4.2.1 VC 维理论
• 4.2.2 推广性的界
• 4.2.3 结构风险最小化
• 4.3 支持向量机（SVM）
• 4.3.1 最优分类超平面
• 4.3.2 核函数
• 4.3.3 实例分析
• 4.4 多分类的支持向量机
• 4.5 本章小结
• 第五章 基于EMD 和SVM 的齿轮箱故障诊断实验研究
• 5.1 概述
• 5.2 齿轮箱故障试验台设计方案分析
• 5.2.1 齿轮箱实验系统的组成
• 5.2.2 振动测试系统的组成
• 5.2.3 齿轮箱故障实验
• 5.3 齿轮故障的EMD 特征提取和SVM 状态识别
• 5.3.1 齿轮振动信号数据分析
• 5.3.2 齿轮振动信号的EMD 特征提取
• 5.3.3 齿轮振动信号的SVM 状态识别
• 5.4 滚动轴承故障的EMD 特征提取和SVM 状态识别
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 未来展望
• 参考文献
• 致谢
• 攻读学位期间发表的学术论文目录